本文提出了一种名为AID-DTI的新方法，通过正则化器在网络训练期间捕获细节和抑制噪声，实现快速准确的扩散张量成像。实验证明该方法优于三种最先进的方法，并能够估计出具有细粒度细节的扩散张量成像参数图。

本文介绍了一种使用相似性原型来支持网络训练的方法，通过引入统计策略和类别级别的语义表示，探索场景内不同类别之间的关联。通过软化梯度标签和批级对比损失，提高了现有网络的性能，而不增加计算负担。经过全面评估，结果表明相似性原型的有效性。